Fault diagnosis in smart grids using artificialintelligence techniques
Akilli şebekelerde yapay zeka teknikleriyleariza teşhisi
- Tez No: 960134
- Danışmanlar: PROF. DR. HASAN HÜSEYİN BALIK, PROF. DR. MURTAZA FARSADI
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 178
Özet
Akıllı şebekeler, gelişmiş teknolojileri-sensörler, haberleşme sistemleri, akıllı sayaçlar ve akıllı kontrol algoritmaları-entegrasyon yoluyla elektrik enerjisi iletimini daha verimli, esnek ve dayanıklı hâle getirmeyi amaçlayan yeni nesil enerji altyapılarıdır. Bununla birlikte, dağıtık üretim (DG) ve rüzgâr ile güneş gibi yenilenebilir enerji kaynaklarının sürekli entegrasyonu, modern elektrik ağlarının kararlılığını ve operasyonel güvenilirliğini sürdürmeyi oldukça zorlaştırmıştır. Bu tür kaynakların neden olduğu kesikli ve doğrusal olmayan güç akışı dizileri, geleneksel koruma yöntemlerinin önemli sınırlamalarla karşı karşıya kalmasına yol açmakta ve gelişmiş, uyarlanabilir arıza tespit ve kontrol mekanizmalarının uygulanmasını gerekli kılmaktadır. Bu nedenle, söz konusu zorlukların üstesinden gelmek amacıyla akıllı şebekelerde akıllı arıza teşhisi için üç yenilikçi derin öğrenme modeli geliştirilmiş ve uygulanmıştır. Bu kapsamda, uyarlanabilir derin sinir ağlarını kullanan ve elektrik şebekesinden elde edilen ham verilerle eğitilen üç farklı model; Arıza Kategorilendirme (FCT), Hat Arızası (LFD) Tanımlama ve Arıza Yeri (FLE) Tahmini görevleri için kullanılmıştır. Bu modeller, arıza olayları sırasında akım ve gerilim sinyallerinin davranışlarını analiz ederek doğru ve hızlı karar verme sürecine katkı sağlamayı hedeflemektedir. Özellikle bu çalışmada, üç farklı derin öğrenme mimarisi geliştirilmiş ve değerlendirilmiştir: bir boyutlu Evrişimli Sinir Ağı (1D-CNN), Uzun Kısa Süreli Bellek ağı (LSTM) ve hibrit CNN-LSTM mimarisi. CNN modeli sinyal dalga formlarındaki mekânsal desenleri ve özellikleri yakalarken, LSTM modeli ardışık ve zamansal dinamikleri tanımaya odaklanmıştır. Hibrit CNN-LSTM modeli ise her iki yaklaşımın avantajlarını birleştirerek hem mekânsal hem de zamansal bilgileri öğrenme yeteneğine sahip olup yüksek seviyeli özellikleri çıkarma ve farklı arıza senaryoları arasında genelleme kabiliyetini artırmaktadır. Önerilen modeller, üç farklı standart test ağı olan IEEE-6 (6 bara, 7 hat), IEEE-9 (9 bara, 6 hat) ve IEEE-14 (14 bara, 17 hat) yapılarına ait simülasyon verileri ile eğitilmiş ve doğrulanmıştır. Veri kümeleri; çeşitli arıza türleri, gönderici taraftan farklı arıza noktaları ve değişken arıza dirençlerini kapsamaktadır. Ayrıca, hem adalı hem de şebeke bağlantılı senaryolarda çalışan farklı sayıda DG ünitesi de göz önünde bulundurulmuştur. Deneysel sonuçlar, önerilen modellerin arıza tespiti, doğru sınıflandırma ve yer belirleme konularında geleneksel yöntemlerle kıyaslandığında üstün performans sergilediğini ortaya koymaktadır. Özellikle özellik mühendisliği veya dönüşüm işlemleri gerektirmeksizin, doğrudan zaman serisi ham verilerle çalışılması bu başarıya katkı sağlamaktadır. Önerilen mimari, ölçeklenebilir ve veri odaklı bir model sunarak akıllı şebekelerde arıza kontrolünü ileri bir seviyeye taşımaktadır. Bu bağlamda, modern elektrik ağlarının değişen ihtiyaçlarını destekleyebilecek, daha uyarlanabilir ve verimli akıllı koruma sistemlerinin geliştirilmesine katkı sunmaktadır. Önerilen algoritmalar, arıza teşhisi açısından mevcut en gelişmiş yöntemlerin doğruluk ve sağlamlık açısından ötesine geçerek kayda değer performans göstermektedir.
Özet (Çeviri)
The smart grid represents a next-generation electrical power infrastructure that integrates advanced technologies, including sensors, communication systems, smart meters, and intelligent control algorithms, to improve the efficiency, flexibility, and resilience of power delivery. However, maintaining the stability and operational dependability of contemporary electrical networks has grown exceedingly challenging as distributed generation (DG) and renewable energy sources such wind and solar energy are continually integrated. Traditional protection techniques have substantial difficulties due to the discontinuous and non-linear power flow sequences introduced by the aforementioned sources, leading to the need for the implementation of advanced and adaptable fault identification and control mechanisms. Therefore, three innovative deep learning models for intelligent fault diagnosis in smart grids were utilized and applied in order to overcome these aforementioned challenges. However, three different models were deployed for Fault Class Type (FCT), Line Faulty Detection (LFD), and Fault Locator Estimation (FLE) that are utilizing the adaptable deep neural network and trained on the row data that was collected from the electrical network. By analyzing the behavior of current and voltage signals during fault events, the models aim to enable accurate and rapid decision-making. Specifically, the study develops and evaluates three deep learning configurations: a one-dimensional Convolutional Neural Network (1D-CNN), a Long Short-Term Memory (LSTM) network, and a hybrid CNN-LSTM architecture. The CNN model captures spatial patterns and features from the signal waveforms, while the LSTM model is designed to recognize sequential and temporal dynamics. The hybrid CNN-LSTM model effectively combines both spatial and temporal learning capabilities, allowing it to extract high-level features and improve generalization across varied fault scenarios. The proposed models were trained and verified using simulated data that were collected from the simulation of three different networks, including IEEE-6, which has 6 buses and 7 lines; IEEE-9, which has 9 buses and 6 lines; and IEEE-14, which has 14 buses and 17 lines, representing the standard evaluation networks. Various fault categories, fault destinations from the sending side, and fault resistances have been covered by these datasets. with different numbers of DG units operating throughout both islanded as well as grid-dependent scenarios. Experimental results demonstrate that the proposed models achieve substantially outcomes as far as efficiently detecting, precisely classification, and localization capability of the fault when contrasted to existing conventional method. By leveraging raw time-series data instead of requiring for extensive analysis of features or even the particular transformations. The scalable, along with the data-driven model, is the product of the proposed architecture and thus enhances fault control in the smart-grid network. As a result, it contributes to building intelligent protection systems that are becoming more adaptable and efficient and have the capacity to support the changing needs of modern electrical networks. The proposed algorithms evidence substantial performance in fault diagnosis, outperforming the accuracy and robustness of the existing state-of-the-art techniques.
Benzer Tezler
- Güç kalitesi olaylarının makine öğrenme teknikleri ile sınıflandırılması
Classification of power quality events using machine learning methods
FERHAT UÇAR
Doktora
Türkçe
2018
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FİKRET ATA
PROF. DR. BEŞİR DANDIL
- Güç transformatörleri sfra tarama frekans cevabı analizi sonuçlarının yapay zeka uygulamaları ile karşılaştırılması
Comparison of power transformer sfra sweep frequency response analysis results with artificial intelligence applications
HAKAN ÇUHADAROĞLU
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YILMAZ UYAROĞLU
- Quality of service-based routing for smart grid applications
Akıllı şebeke uygulamaları için servis kalitesi tabanlı yönlendirme uygulamaları
DİLAN ŞAHİN
Yüksek Lisans
İngilizce
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. ÇAĞRI GÜNGÖR
- Güç transformatörlerinde makine öğrenmesi ve sensör füzyonu yöntemleri ile arıza analizi
Power transformers fault analysis with machine learning and sensor fusion methods
MERVE DEMİRCİ
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MÜSLÜM CENGİZ TAPLAMACIOĞLU
DOÇ. DR. HALUK GÖZDE
- Endüstri 4.0 entegrasyonu ile Türkiye elektrik enerjisi dağıtım ağı arızalarının gerçek zamanlı ve yapay zekâya dayalı öngörü sisteminin geliştirilmesi: İzmir-Çeşme uygulaması
Improvement of real time and artificial intelligence based fault prediction system of electricity distribution network of Turkey with Industry 4.0 integration: Izmir-Cesme case study
MAHMUT SAYAR
Doktora
Türkçe
2021
Endüstri ve Endüstri MühendisliğiDokuz Eylül Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. HİLMİ YÜKSEL